板块异动类

最后更新于:2022-04-01 21:57:12

# 板块异动类 > 来源:https://uqer.io/community/share/54ccf06af9f06c276f651a5a 本代码主要实现以下功能 + 由`DataAPI.EquIndustryGet`获得每只个股的所属行业,这里采用的是申万二级分类; + 根据个股行业获得所有行业的成分股 + 根据成分股的每天涨幅和市值,获得主题的加权涨幅,将其排序,即得到每日涨跌幅最大的行业前十 + 根据成分股出现的涨跌停次数,获得涨跌停比例最大的行业前十 + 根据成分股的换手率,获得换手率最大和最小的行业前十 + 将每个行业所包含的个股,储存到csv文件中,如果对某个行业感兴趣,可以进一步查看其成分股 此处定义了一些函数,使得代码功能更明确 ```py def GetIndInfo(universe,field): #获得行业数据 num = 100 count_num = len(universe)/num if count_num>0: indus_df = pd.DataFrame({}) for i in range(count_num): sub_ind = DataAPI.EquIndustryGet(secID=universe[i*num:(i+1)*num],field=field) indus_df = pd.concat([indus_df,sub_ind]) sub_ind = DataAPI.EquIndustryGet(secID=universe[(i+1)*num:],field=field) indus_df = pd.concat([indus_df,sub_ind]) else: indus_df = DataAPI.EquIndustryGet(secID=universe,field=field) filed_new = ['secID']+field indus_df = indus_df[filed_new] return indus_df def GetMktInfo(secID,beginDate,endDate,field): #获得市场行情数据 num = 50 count_num = len(secID)/num if count_num>0: MktInfo_df = pd.DataFrame({}) for i in range(count_num): sub_info = DataAPI.MktEqudGet(secID=secID[i*num:(i+1)*num],beginDate=beginDate,endDate=endDate,field=field) MktInfo_df = pd.concat([MktInfo_df,sub_info]) sub_info = DataAPI.MktEqudGet(secID=secID[(i+1)*num:],beginDate=beginDate,endDate=endDate,field=field) MktInfo_df = pd.concat([MktInfo_df,sub_info]) else: MktInfo_df = DataAPI.MktEqudGet(secID=secID,beginDate=beginDate,endDate=endDate,field=field) return MktInfo_df def CountTime(): today = datetime.today() cal_date = Date.fromDateTime(today) if cal.isBizDay(cal_date): #如果是交易日,则判断当天是不是在15点前 today_str = today.strftime("%Y%m%d") time1=" 15:05:00" ben_time = datetime.strptime(today_str+time1,"%Y%m%d %H:%M:%S") if today>ben_time: date = today_str else: #如果当天不是交易日,则获得前一个交易日 cal_wd = cal.adjustDate(cal_date,BizDayConvention.Preceding) #Date格式 dtime_wd = cal_wd.toDateTime() #datetime格式 date = dtime_wd.strftime("%Y%m%d") return date ``` 获得个股的行情数据,并以此来计算主题的:涨幅、涨跌停比例、换手率 ```py from datetime import timedelta cal = Calendar('China.SSE') universe = set_universe('A') indus_df = GetIndInfo(universe=universe,field =['secShortName','industryName2']) cnt_date = CountTime() #获得可用的时期 field_mkt = ['preClosePrice','openPrice','highestPrice','lowestPrice','closePrice','turnoverRate','marketValue'] MktInfo_df = GetMktInfo(secID=universe,beginDate=cnt_date,endDate=cnt_date,field=field_mkt) ind_inc_dic = {} #记录行业的涨幅 ind_gb_dic = {} #记录行业的涨跌停数目 ind_turn_dic = {} #记录行业的换手率 ind_tknm_dic = {} #记录行业包含的个股 grouped = indus_df.groupby('industryName2') for name,group in grouped: ind_tknm_dic[name] = list(group['secShortName']) stk_list = list(group['secID']) sub_mkt_info = MktInfo_df[MktInfo_df.secID.isin(stk_list)] #计算行业涨跌幅 sub_mkt_info['inc_rate'] = (sub_mkt_info['closePrice']-sub_mkt_info['preClosePrice'])/sub_mkt_info['preClosePrice'] #获得每个个股的涨跌幅 ind_inc = (sub_mkt_info['inc_rate']*sub_mkt_info['marketValue']).sum()/sub_mkt_info['marketValue'].sum() #获得行业的涨跌幅,利用市值加权平均值计算 ind_inc_dic[name] = ind_inc num_good = len(sub_mkt_info[((sub_mkt_info['closePrice']-sub_mkt_info['preClosePrice'])/sub_mkt_info['preClosePrice']).round(2)==0.1]) #涨停的个股 num_bad = len(sub_mkt_info[((sub_mkt_info['preClosePrice']-sub_mkt_info['closePrice'])/sub_mkt_info['preClosePrice']).round(2)==0.1]) #跌停的个股 ind_gb_dic[name] = (num_good-num_bad)*1.0/len(group) turnover = sub_mkt_info['turnoverRate'].mean() #计算行业的平均换手率 ind_turn_dic[name] = turnover ``` 以下是将结果进行展示 ```py ind_turn_pd = pd.DataFrame.from_dict(ind_turn_dic,orient='index') ind_turn_pd.rename(columns={0:u'换手率'},inplace=True) ind_turn_pd = ind_turn_pd.sort(columns=u'换手率',ascending=False) ind_turn_pd1 = ind_turn_pd.sort(columns=u'换手率',ascending=True) print cnt_date+'换手率最大的行业前十:' ind_turn_pd[0:10] 20150130换手率最大的行业前十: ``` | | 换手率 | | --- | --- | | 视听器材 | 0.046510 | | 基础建设 | 0.042633 | | 房屋建设 | 0.036725 | | 计算机应用 | 0.036130 | | 环保工程及服务 | 0.035021 | | 营销传播 | 0.034763 | | 畜禽养殖 | 0.034093 | | 电力 | 0.033552 | | 农业综合 | 0.032450 | | 装修装饰 | 0.032230 | ```py print cnt_date+'换手率最小的行业前十:' ind_turn_pd1[0:10] 20150130换手率最小的行业前十: ``` | | 换手率 | | --- | --- | | 石油开采 | 0.000900 | | 银行 | 0.008894 | | 机场 | 0.009800 | | 航空运输 | 0.010020 | | 饲料 | 0.010518 | | 高速公路 | 0.010583 | | 汽车整车 | 0.011491 | | 煤炭开采 | 0.011964 | | 其他交运设备 | 0.012071 | | 餐饮 | 0.012150 | ```py ind_gb_pd = pd.DataFrame.from_dict(ind_gb_dic,orient='index') ind_gb_pd.rename(columns={0:u'涨跌停比例'},inplace=True) ind_gb_pd = ind_gb_pd.sort(columns=u'涨跌停比例',ascending=False) ind_gb_pd1 = ind_gb_pd.sort(columns=u'涨跌停比例',ascending=True) print cnt_date+'涨停比例最大的行业前十:' ind_gb_pd[0:10] 20150130涨停比例最大的行业前十: ``` | | 涨跌停比例 | | --- | --- | | 视听器材 | 0.200000 | | 贸易 | 0.086957 | | 物流 | 0.055556 | | 专业工程 | 0.055556 | | 互联网传媒 | 0.045455 | | 塑料 | 0.045455 | | 房地产开发 | 0.029630 | | 电力 | 0.017241 | | 家用轻工 | 0.000000 | | 保险 | 0.000000 | ```py print cnt_date+'跌停比例最大的行业前十:' ind_gb_pd1[0:10] 20150130跌停比例最大的行业前十: ``` | | 涨跌停比例 | | --- | --- | | 旅游综合 | -0.066667 | | 计算机设备 | -0.051282 | | 电子制造 | -0.032258 | | 光学光电子 | -0.024390 | | 中药 | -0.017857 | | 化学制品 | -0.006993 | | 专用设备 | 0.000000 | | 航运 | 0.000000 | | 农业综合 | 0.000000 | | 采掘服务 | 0.000000 | ```py ind_inc_pd = pd.DataFrame.from_dict(ind_inc_dic,orient='index') ind_inc_pd = ind_inc_pd.sort(columns=0,ascending=False) ind_inc_pd.rename(columns={0:u'涨跌幅'},inplace=True) ind_inc_pd1 = ind_inc_pd.sort(columns=u'涨跌幅') print cnt_date+'涨幅最大的行业前十:' ind_inc_pd[0:10] ``` | | 涨跌幅 | | --- | --- | | 视听器材 | 0.036822 | | 燃气 | 0.018286 | | 种植业 | 0.015623 | | 房地产开发 | 0.006603 | | 农业综合 | 0.005786 | | 水务 | 0.005265 | | 餐饮 | 0.004425 | | 动物保健 | 0.004262 | | 饮料制造 | 0.003649 | | 汽车服务 | 0.003630 | ```py print cnt_date+'跌幅最大的行业前十:' ind_inc_pd1[:10] 20150130跌幅最大的行业前十: ``` | | 涨跌幅 | | --- | --- | | 运输设备 | -0.071812 | | 基础建设 | -0.049886 | | 多元金融 | -0.041817 | | 铁路运输 | -0.040228 | | 保险 | -0.036876 | | 房屋建设 | -0.035251 | | 计算机应用 | -0.032599 | | 石油开采 | -0.028381 | | 林业 | -0.028153 | | 航空运输 | -0.025830 | 将行业包含的个股信息储存到csv文件中,可以进行更细致的查看行业信息 ```py ind_tk_pd = pd.DataFrame({}) for ind_nm,tk_list in ind_tknm_dic.items(): sub_pd = pd.DataFrame(tk_list) sub_pd[u'行业名称'] = ind_nm ind_tk_pd = pd.concat([ind_tk_pd,sub_pd]) ind_tk_pd.rename(columns={0:u'成分股'},inplace=True) ind_tk_pd = ind_tk_pd.loc[:,[u'行业名称',u'成分股']] ind_tk_pd.to_csv('ind_tk.csv',encoding='GBK',index=False) ```
';